bpnn神经网络模型结构

### BPNN神经网络架构详解

#### 三层BP神经网络结构

典型的BP神经网络由输入层、隐藏层以及输出层构成。每一层中的节点称为神经元，各层之间通过权重相连[^2]。

- **输入层**：负责接收外部数据输入。该层数量通常取决于特征维度大小。

- **隐藏层**：位于输入与输出之间的中间层，用于提取并转换来自输入的数据模式。理论上可以有多个隐藏层；实践中常采用单个或少数几个隐藏层来构建较为简单的模型。每个隐藏单元接受上一层所有节点加权求和后的线性组合作为净激活值，并经过非线性的激励函数传递给下一层[^3]。

- **输出层**：最终给出预测结果的一层。其规模依据具体任务而定，比如分类问题可能对应类别数目的多少，回归则可能是单一连续变量。

import numpy as np

class SimpleBPNetwork:
    def __init__(self, input_size, hidden_size, output_size):
        self.weights_input_hidden = np.random.rand(input_size, hidden_size)
        self.bias_hidden = np.zeros((1, hidden_size))
        
        self.weights_hidden_output = np.random.rand(hidden_size, output_size)
        self.bias_output = np.zeros((1, output_size))

def forward_pass(network, inputs):
    # 输入到隐藏层的计算
    net_hidden = np.dot(inputs, network.weights_input_hidden) + network.bias_hidden
    out_hidden = sigmoid(net_hidden)

    # 隐藏层到输出层的计算
    net_outputs = np.dot(out_hidden, network.weights_hidden_output) + network.bias_output
    outputs = sigmoid(net_outputs)

    return outputs


def sigmoid(x):
    """Sigmoid activation function"""
    return 1 / (1 + np.exp(-x))

上述代码展示了如何定义一个具有单个隐藏层的基础BP神经网络类及其正向传播过程实现方法。这里忽略了反向传播更新参数部分以便专注于展示基本框架。